在日常工作或学习中,经常会遇到这样的无奈:
“小任,你把这个PDF中的文件码出来发我”
艹,倒霉,2M的PDF12点也完不了啊!
![80793d3a7d51abae3ad586fc1d85b2faed8a4a1a](https://yqfile.alicdn.com/80793d3a7d51abae3ad586fc1d85b2faed8a4a1a.png?x-oss-process=image/resize,w_1400/format,webp)
很多时候在学习时发现许多文档都是PDF格式,PDF格式却不利于学习使用,因此需要将PDF转换为Word文件,但或许你从网上下载了很多软件,但只能转换前五页(如WPS等),要不就是需要收费,那有没有免费的转换软件呢?
so,我们给各位带来了一个免费简单快速的方法,手把手教你用Python批量处理PDF格式文件,获取自己想要的内容,存为word形式。
在实现PDF转Word功能之前,我们需要一个python的编写和运行环境,同时安装好相关的依赖包。 对于python环境,我们推荐使用PyCharm。 在本地电脑环境,anaconda提供了非常便利的安装和部署。
PDF转Word功能所需的依赖包如下:
- PDFParser(文档分析器)
- PDFDocument(文档对象)
- PDFResourceManager(资源管理器)
- PDFPageInterpreter(解释器)
- PDFPageAggregator(聚合器)
- LAParams(参数分析器)
说明:本文是在Windows7下使用python最新的3.6版本
1.安装pdfminer3k模块
安装anaconda后,直接可以通过pip安装
2.若安装不成功,可以试试下面方法
首先下载pdfminer3k:https://pypi.python.org/pypi/pdfminer3k;然后安装pdfminer,将下载好的pdfminer3k解压到D:或其他合适的盘符,通过win+r 打开运行窗口,输入cmd;输入D:切换到D盘,cd pdfminer3k(pdf解压的文件夹),输入setup.py install安装软件。
最终显示Finished,则代表成功
代码实操
1.导入相关包
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
整体思路为:构造文档对象,解析文档对象,提取所需内容
构造文档对象
构造解释器
2.导入需要解析的PDF文件
将所需解析的文件与执行代码放到同一个目录下,如图:
test.pdf内容
3.具体代码如下:
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
def parse():
#rb以二进制读模式打开本地pdf文件
fn = open('test.pdf','rb')
#创建一个pdf文档分析器
parser = PDFParser()
#创建一个PDF文档
doc = PDFDocument()
#连接分析器 与文档对象
parser.set_document()
doc.set_parser()
# 提供初始化密码doc.initialize("lianxipython")
# 如果没有密码 就创建一个空的字符串
doc.initialize("")
# 检测文档是否提供txt转换,不提供就忽略
if not doc.is_extractable:
raise PDFTextExtractionNotAllowed
else:
#创建PDf资源管理器
resource = PDFResourceManager()
#创建一个PDF参数分析器
laparams = LAParams()
#创建聚合器,用于读取文档的对象
device = PDFPageAggregator(resource,laparams=laparams)
#创建解释器,对文档编码,解释成Python能够识别的格式
interpreter = PDFPageInterpreter(resource,device)
# 循环遍历列表,每次处理一页的内容
# doc.get_pages() 获取page列表
for page in doc.get_pages():
#利用解释器的process_page()方法解析读取单独页数
interpreter.process_page(page)
#使用聚合器get_result()方法获取内容
layout = device.get_result()
#这里layout是一个LTPage对象,里面存放着这个page解析出的各种对象
for out in layout:
#判断是否含有get_text()方法,获取我们想要的文字
if hasattr(out,"get_text"):
print(out.get_text())
with open('test.txt','a') as f:
f.write(out.get_text()+'\n')
if __name__ == '__main__':
parse()
最终得到的test.txt结果如下:
结束
对于Python批量PDF转Word的操作介绍就到此,本文仅仅作为一种运用库展示代码编写过程,具体技术还需要有兴趣的朋友,与我一起讨论专研,互相学习进步。
原文发布时间为:2018-02-23
本文作者:丁彦军